Muse Spark 1.3 NEW

Muse Spark 1.3 是什么？

Muse Spark 1.3 是 Meta 在 2026 年 9 月 2 日发布的多模态模型，官方博客的定位是「在智能体与编码任务上全面增强」，并称这是通往个人超级智能的一步。

它最值得注意的不是跑分，而是训练目标：官方说这次重点放在长时程（longer-horizon）任务上——给一个开放式目标，模型自己用工具在杂乱、互相冲突的信息源里生成上下文，主动补齐计划里的缺口，记住学到的东西，最后产出交付物。为了泛化到不同 Agent 环境，Meta 说他们在多种 harness 上训练了这个模型。

一句话概括差异：上一代是「能干活」，1.3 想解决的是「能在一条长会话里持续干活，并且知道什么时候该问你」。

核心功能

1. 长会话里并行多个工作流 单条长线程里同时推进多个任务，即使用户中途打断、改方向，也能把新指令映射到正确的任务上。

2. 主动协作 提示含糊时主动澄清、卡住时向用户求助、做不可逆操作前先确认。长任务里还能按你的偏好选择频繁汇报，或安静地在后台干。

3. 细节保持 跨多步任务更能守住细颗粒度的要求，不丢约束、不偏离既定流程——这是长任务最容易崩的地方。

4. 能力自省 官方说专门训练了它对自身边界的感知：知道自己能做什么、不能做什么，遇到障碍如实报告，而不是幻觉一个结果收尾。

5. 编码更省 相对 1.2，官方称在 Meta 工程师的对比中工具调用少约 20%、token 少约 25%，不必要的轮次更少、话更少、代码风格更干净。注意这是厂商自报口径。

6. 安全与鲁棒性 官方称对对抗输入和提示注入的抵抗力更强；在复杂 Agent 任务上，对「什么算不可逆操作」的校准更好，会据此决定是否继续。

版本/套餐对比

官方博客只给了可用入口，没列单价：

另外，Meta 在 2026 年 8 月 11 日发布过开放权重的小模型 Muse Glimmer（约 30B 参数、Apache 2.0、权重在 HuggingFace，可在单张显卡上跑，面向常驻本地的 Agent 工作流）。它和 1.3 是两条线：1.3 是旗舰闭源，Glimmer 是可下载可商用的开源版。想要本地化、可微调，走 Glimmer；要长任务旗舰能力，走 1.3。

值不值得用？

优点：

• 训练目标对着「Agent 真的在跑」这件事，长会话、多工作流、主动澄清，都是实操里最痛的
• 效率提升有具体数字（少 20% 工具调用、少 25% token），长任务里这是实打实的钱
• 自省能力被专门训练，减少「不懂装懂 + 幻觉收尾」这类最烦的失败模式
• 安全侧针对 Agent 场景做了对抗与不可逆操作的校准
• 有开源的 Glimmer 做端侧互补，不必全押闭源

缺点：

• 所有性能数据都是 Meta 自报，评测方法虽有报告可查，但仍需用自家负载复测
• 官方博客没公布价格，成本要自己去 dev.meta.ai 查
• 权重不开放，只能通过 Meta 自家运行时和 API 用，编排层绑定单一供应商有锁定风险
• 长任务收益依赖 harness 配合，脱离 Muse Code 可能拿不到宣传里的效果
• 开源那条线（Glimmer）是小模型，旗舰能力拿不到本地

结论：如果你的产品是「模型在真实运行时里连续干几小时」这一类，1.3 值得进候选名单，尤其是已经在用 Muse Code 的团队。如果只是做简单对话或内容生成，它带来的溢价你用不上。

使用建议

• 用自家任务建评测集。长任务收益只在你的工作流里能验证，别只看发布页的演示视频。
• 把确认机制写进系统提示。明确哪些操作必须先问，让它「做不可逆操作前确认」的能力真正生效。
• 长会话定期抽查约束。跑几十分钟后回头看看关键要求有没有丢，必要时重新声明。
• 端云组合控成本。轻量高频任务给 Glimmer 或本地模型，重任务回落到 1.3。
• 保留多模型退路。至少让编排层不依赖某一家特有的调用形态。

适合谁用？

推荐：构建长时程 Agent 产品的工程团队；已用 Muse Code、想要模型与运行时协同优化的开发者；需要屏幕/文档/视频多模态输入 + 电脑操作的产品。

可考虑：想拿它和其他旗舰做横向评测的多模型团队；需要消费级 Agent 能力的个人与小微商家。

不推荐：要求开放权重或完全私有化部署的前沿任务；对数据驻留与合规有严格辖区要求的场景；只需要简单对话或生成的轻量用户。